WeVisOne-VL-2B vs. LFM2.5-VL-3B: Ein Maskenmacher gegen einen Screenreader

Gib beiden Modellen dasselbe Foto und denselben Satz – „der Hund links“ –, und es kommen zwei verschiedene Dinge zurück. LFM2.5-VL-3B antwortet mit einer Position und, wenn man danach fragt, mit einer Beschreibung: einer Box, einem Punkt oder einem kurzen Satz darüber, was es gefunden hat. WeVisOne-VL-2B antwortet ebenfalls mit einer Box, und dann verwandelt ein kleiner Decoder diese Box in eine weichrandige Alpha-Matte, die man auf einen neuen Hintergrund compositen könnte, ohne einen Halo um das Fell. Ein Modell wurde gebaut, um eine Oberfläche zu lesen und zu antworten. Das andere wurde gebaut, um dir Pixel zu geben.

Dieser Unterschied macht den gesamten Vergleich aus, und er hält jeder Benchmark-Tabelle stand, die einer der beiden Anbieter veröffentlicht hat. Das erklärt auch, warum die beiden Modelle selten gegeneinander bewertet werden: In der Karte von Liquid AI wird WeVisOne nicht erwähnt, im Paper von Tencent wird Liquid nicht erwähnt, und kein Drittanbieter hat sie direkt nebeneinander getestet. Im Folgenden steht, was jede Veröffentlichung tatsächlich zu Protokoll gegeben hat, welche ihrer Zahlen nebeneinandergestellt werden können und welche nicht.

Zwei Releases, zwei sehr unterschiedliche Mengen an Belegen

LFM2.5-VL-3B wurde am 11. August 2026 von Liquid AI veröffentlicht – zuerst die Gewichte, die Ankündigung am nächsten Tag – und es kam mit einer numerischen Benchmark-Tabelle, einer benannten Baseline für jede Zeile und einem Geschwindigkeitsabschnitt, der auf benannter Hardware gemessen wurde. Es ist ein dichtes Modell mit 3,12 Milliarden Parametern: ein LFM2.5-2.6B-Sprach-Backbone in Kombination mit einem SigLIP2-NaFlex-400M-Vision-Encoder, einem 32.768-Token-Kontext, einem Vokabular von 128.000 Token und sechzehn benannten Sprachen. Seine Lizenz ist die eigene LFM Open License v1.0 von Liquid, die unterhalb einer Umsatzschwelle für die kommerzielle Nutzung kostenfrei ist und nicht bedingungslos kostenlos.

WeVisOne-VL-2B wurde am 22. Oktober 2026 vom WeChat-Vision-Team von Tencent veröffentlicht, und seine Modellkarte enthält überhaupt keine Benchmark-Tabelle – keine Scores, keine Kontextlänge, keine Durchsatzwerte, keine Hardwareanforderungen. Die Zahlen existieren, aber sie stehen im begleitenden Paper, das sieben Aufgabentabellen über das enthält, was die Autoren als mehr als dreißig Benchmarks beschreiben. Die beiden Veröffentlichungen sind also nicht nur unterschiedliche Modelle; es sind unterschiedliche Arten von Dokumenten. Liquid veröffentlichte eine Produktspezifikation. Tencent veröffentlichte ein Forschungsergebnis und ließ das Datenblatt weitgehend leer.

Diese Asymmetrie ist wichtig, wenn man einen Vergleich wie diesen liest. Die Zahlen von Liquid wurden zusammengestellt, um gegen seine eigenen Baselines gelesen zu werden. Die von Tencent wurden zusammengestellt, um eine akademische Tabelle zu gewinnen. Keiner der Anbieter hat seine Zahlen mit Blick auf das andere Modell gewählt, und genau deshalb stimmen die Zahlen nicht überein.

Die Zahl, die vergleichbar aussieht – und es nicht ist

Beide Modelle veröffentlichen einen RefCOCO-Score, und stellt man sie nebeneinander, ergibt sich eine sauber wirkende Schlagzeile: LFM2.5-VL-3B mit 87,9 gegen WeVisOne-VL-2B mit 79,7. Dieser Vergleich ist bedeutungslos, und es lohnt sich zu erklären, warum, denn derselbe Fehler wird gerade jetzt in Tabellenkalkulationen gemacht.

• Liquid meldet RefCOCO precision@1 gemittelt über alle Splits. Das ist eine Detektionsstatistik: Überlappte sich die am höchsten gerankte vorhergesagte Box ausreichend mit der Ground-Truth-Box, um als korrekt zu gelten?

• Tencent 79,7 steht in einer Segmentierungstabelle, und das Paper sagt klar, dass die RefCOCO-Familien-Werte dort kumulative IoU sind – Gesamtschnittmenge über Gesamtvereinigung über den gesamten Evaluationsdatensatz.

• Tencents Referring-Detection-Tabelle führt RefCOCO überhaupt nicht auf. Sie führt RefCOCOg auf, wobei das 2B-Modell einen mittleren F1-Wert von 77,1 erzielt.

Die 87,9 und die 79,7 messen also drei verschiedene Dinge über zwei verschiedene Aufgaben hinweg. Eine Box, die ein Ziel kaum überlappt, kann bei precision@1 gut und bei cIoU schlecht abschneiden; eine Maske, die ein großes Objekt gut abdeckt, kann bei cIoU hohe Werte erzielen, während ihre Bounding-Box unsauber ist. Es gibt keine Arithmetik, die beide miteinander in Einklang bringt.

Dieselbe Falle steckt in OCR. Liquid veröffentlicht OCRBench v1 mit 84,2 und OCRBench v2 English mit 47,5 — Transkriptions-Benchmarks. Tencent veröffentlicht OCR als Lokalisierungs-F1 bei einer 0,5-IoU-Schwelle: 62,1 auf SROIE, 42,6 auf ICDAR2015, 42,5 auf TotalText, 30,5 auf HierText. Diese messen, ob das Modell den Text gefunden und mit einer Bounding-Box versehen hat, nicht ob es ihn korrekt gelesen hat. „84,2 gegenüber 62,1“ zu zitieren, hieße, einen Lesetest mit einem Zeigetest zu vergleichen.

Was ist eigentlich ein fairer Vergleich?

Blendet man die Scores aus, stimmen die beiden Modelle in Dimensionen überein, die keine Testumgebung benötigen:

• Größe — etwa 3,12 Mrd. dichte Parameter für LFM2.5-VL-3B gegenüber etwa 2 Mrd. für WeVisOne-VL-2B, plus ein Decoder mit 9,5 Mio. Parametern, der separat heruntergeladen werden muss und für dichte Ausgaben erforderlich ist.

• Basis — Liquids eigenes hybrides Backbone LFM2.5-2.6B vs. Qwen3-VL.

• Kontext — 32.768 Token, die auf der Karte veröffentlicht sind, gegenüber gar keiner veröffentlichten Kontextlänge. Die Trainingsphasen des WeVisOne-Papers liefen mit 4.096 und 8.192 Token, und die Inferenz begrenzt jedes Bild auf 1.960 visuelle Token, aber nichts davon ist ein Einsatzfenster.

• Ausgabetypen — Boxen, Punkte und Text vs. Boxen, Punkte, binäre Masken und kontinuierliche Alpha-Mattes.

Reasoning — LFM2.5-VL-3B ist bewusst nicht schlussfolgernd und antwortet direkt, um die Latenz niedrig zu halten; WeVisOne ist ebenfalls nicht schlussfolgernd, aber aus einem anderen Grund: Es erzeugt strukturierte Ausgaben ohne Chain-of-Thought, um die Inferenzeffizienz zu steigern. Keines der Modelle „denkt“ vor der Antwort, und kein Anbieter gibt etwas anderes vor.

• Tool Calling – unterstützt und auf LFM benchmarkiert (ToolSandbox 59,5, BFCL v4 32,5) vs. keine angegebene Fähigkeit auf WeVisOne.

• Sprachen — sechzehn auf der LFM-Karte genannt vs. auf der WeVisOne-Karte nicht angegeben.

• Lizenz — LFM Open License v1.0, mit einer Umsatzschwelle, im Vergleich zu Apache 2.0 für von Tencent verfassten Code.

• Quantisierte Builds – GGUF-, ONNX- und MLX-Exporte werden von Liquid angeboten, von Tencent ist nichts dergleichen angekündigt.

• Unabhängige Bewertung — keines der beiden Modelle ist zum Zeitpunkt dieses Artikels bei Artificial Analysis gelistet. Jede Zahl in diesem Artikel, von beiden Anbietern, ist eine Angabe der Anbieter selbst.

Die Bereitstellungslücke ist größer als die Parameterlücke.

LFM2.5-VL-3B wurde dafür entwickelt, auf einem Smartphone zu laufen, und die Modellkarte belegt es mit Zahlen: unter 3,3 GB Arbeitsspeicher, 20 Tokens pro Sekunde auf einem Galaxy S26 Ultra, 228 Tokens pro Sekunde auf einem Apple M5 Max, 116 auf einem AMD Ryzen AI Max+ 395 und etwa 11.000 Ausgabe-Tokens pro Sekunde bei hoher Parallelität auf einer einzelnen H100. Es wird in Formaten ausgeliefert, die Consumer-Runtimes tatsächlich laden können.

WeVisOne-VL-2B veröffentlicht nichts davon. Was es veröffentlicht, impliziert eine andere Rechnung. Die letzte Stufe des Decoders erzeugt eine Alpha-Matte in voller Auflösung mit einer Schrittweite von 1, was bedeutet, dass die dichte Ausgabe die Größe des Eingabebilds statt eines Vektors fester Größe hat – ein Aufwand, der mit der Auflösung skaliert, nicht mit der Parameterzahl. Für ein 2B-Modell auf einer modernen GPU ist das überschaubar. Für ein Smartphone ist es keineswegs selbstverständlich überschaubar, und Tencent hat dies nicht behauptet.

Die praktische Konsequenz daraus ist, dass diese beiden Modelle nicht um denselben Deployment-Slot konkurrieren. Das eine ist eine Komponente, die man in einer App ausliefern könnte. Das andere ist eine Komponente, die man auf einem Server oder auf einer Workstation betreiben würde, neben allem anderen, was maskiert werden muss.

Nach Ausgabetyp auswählen, nicht nach Punktzahl.

Wenn die Aufgabe darin besteht, einen Bildschirm zu lesen – einen Checkout-Ablauf zu parsen, die mit „Continue“ beschriftete Schaltfläche zu finden, eine Tabelle aus einem fotografierten Dokument zu extrahieren –, ist LFM2.5-VL-3B der naheliegende Kandidat. Es erzielt 80,7 bei ScreenSpot-v2, 91,1 bei DocVQA, 81,3 bei ChartQA und einen ToolSandbox-Score, der darauf hindeutet, dass es auf das, was es sieht, handeln kann, statt es nur zu beschreiben. Außerdem hat es einen Durchschnitt über 28 Benchmarks von 69,4, den Liquid im Vergleich zu namentlich genannten Schwestermodellen veröffentlicht – was zumindest verrät, wie der Anbieter seine eigene Nachbarschaft sieht.

Wenn es darum geht, ein Objekt freizustellen – einen Produktfreisteller, eine Person vor einem unruhigen Hintergrund, einen Vordergrund mit fliegenden Haaren oder einer transparenten Kante –, liefert LFM2.5-VL-3B diese Ausgabe nicht, und noch so viel Prompting wird daran nichts ändern. WeVisOne-VL-2B schon, und der Vorsprung in den Matting-Tabellen ist groß: 6,6 mittlere absolute Abweichung gegenüber 15,4 für SAM2-Matting auf P3M-500-NP, 15,8 gegenüber 23,0 für eine Qwen3-VL-8B-plus-SAM2-Pipeline auf dem sprachgeprompteten WeRefMat-Split.

Es gibt noch einen Fall, in dem WeVisOne eine erwähnenswerte Aussage macht: Abwesenheit. Tencent meldet auf RefCOCOg eine Ablehnungsrate von 50,2 für Abfragen, deren Ziel nicht im Bild ist, gegenüber 0,5 und 0,6 für zwei spezialisierte Grounding-Modelle in derselben Tabelle. Wenn Ihre Pipeline Tausende von Ausschnitten verarbeitet und die meisten davon nichts enthalten, was Sie interessiert, erspart Ihnen ein Modell, das zuverlässig „nicht vorhanden“ sagt, einen nachgelagerten Klassifikator. Die Modellkarte von LFM2.5-VL-3B nennt keine vergleichbare Ablehnungszahl, daher gibt es nichts, was man danebenstellen könnte — eine Lücke in der Evidenz, kein Verlust.

Nichts davon ist ein Grund, das eine zu wählen und das andere in Rente zu schicken, und es lohnt sich, ehrlich zu sein, wo ein Router hineinpasst. OrcaRouter stellt keines der beiden Modelle bereit; keines ist in unserem Katalog, und keines wird irgendwo gehostet, was wir speziell für WeVisOne verifizieren könnten. Was wir anbieten, ist der umgebende Stack: Wenn Ihre Pipeline ein gehostetes Vision-Modell für die Lesenhälfte und ein selbst gehostetes Modell für die Maskierungshälfte verwendet, laufen die gehosteten Aufrufe über einen API-Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, Failover verschiebt sie zu einem anderen Anbieter, wenn einer schlechter wird, und die Routing-DSL ermöglicht es Ihnen, beide Hälften hinter einem einzigen Endpoint zu platzieren, sodass Ihre Anwendung nie erfährt, welche geantwortet hat.

Was würde es tatsächlich klären

Ein unabhängiger Testaufbau, betrieben von jemandem, der zu keinem der beiden Anbieter gehört, auf denselben Bildern, der sowohl eine Detektionskennzahl als auch eine Segmentierungskennzahl für beide Modelle ausweist. Den gibt es nicht. Bis dahin ist die vertretbare Position die langweilige: Diese Modelle beantworten unterschiedliche Fragen, ihre veröffentlichten Zahlen werden mit unterschiedlichen Messinstrumenten erhoben, und die Wahl zwischen ihnen entscheidet sich danach, was Ihr nachgelagerter Code zu erhalten erwartet – einen Satz oder eine Maske.

Wenn Sie aus diesem Vergleich nur eine einzige Sache mitnehmen, dann die Form der Belege. Liquid AI hat Ihnen eine Tabelle gegeben, die Sie falsifizieren können. Tencent hat Ihnen ein Paper gegeben, das Sie lesen können, und eine Karte, die Ihnen offen sagt, was das Modell nicht tun wird. Keiner der beiden hat Ihnen eine Zahl gegeben, die mit der anderen verglichen werden kann, und jeder Artikel, der 87.9 neben 79.7 druckt, ohne diesen Vorbehalt zu nennen, verkauft Ihnen ein Ranking, das es nicht gibt.